論文の概要: UBiGTLoc: A Unified BiLSTM-Graph Transformer Localization Framework for IoT Sensor Networks
- arxiv url: http://arxiv.org/abs/2601.10743v1
- Date: Sun, 11 Jan 2026 03:22:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-19 20:21:50.225002
- Title: UBiGTLoc: A Unified BiLSTM-Graph Transformer Localization Framework for IoT Sensor Networks
- Title（参考訳）: UBiGTLoc:IoTセンサネットワークのための統一BiLSTM-Graphトランスフォーマーローカライゼーションフレームワーク
- Authors: Ayesh Abu Lehyeh, Anastassia Gharib, Tian Xia, Dryver Huston, Safwan Wshah,
- Abstract要約: 既存のセンサノードのローカライゼーションアプローチは、無線センサネットワーク(WSN)内のアンカーノードに大きく依存している。
センサノードをアンカーフリーおよびアンカープレゼンスWSNの両方で効果的にローカライズするフレームワークであるUBiGTLocを提案する。
UBiGTLocは既存の手法を一貫して上回り、疎密なWSNをまたいだロバストなローカライゼーションを提供する。
- 参考スコア（独自算出の注目度）: 4.030811545271433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sensor nodes localization in wireless Internet of Things (IoT) sensor networks is crucial for the effective operation of diverse applications, such as smart cities and smart agriculture. Existing sensor nodes localization approaches heavily rely on anchor nodes within wireless sensor networks (WSNs). Anchor nodes are sensor nodes equipped with global positioning system (GPS) receivers and thus, have known locations. These anchor nodes operate as references to localize other sensor nodes. However, the presence of anchor nodes may not always be feasible in real-world IoT scenarios. Additionally, localization accuracy can be compromised by fluctuations in Received Signal Strength Indicator (RSSI), particularly under non-line-of-sight (NLOS) conditions. To address these challenges, we propose UBiGTLoc, a Unified Bidirectional Long Short-Term Memory (BiLSTM)-Graph Transformer Localization framework. The proposed UBiGTLoc framework effectively localizes sensor nodes in both anchor-free and anchor-presence WSNs. The framework leverages BiLSTM networks to capture temporal variations in RSSI data and employs Graph Transformer layers to model spatial relationships between sensor nodes. Extensive simulations demonstrate that UBiGTLoc consistently outperforms existing methods and provides robust localization across both dense and sparse WSNs while relying solely on cost-effective RSSI data.
- Abstract（参考訳）: センサノードのワイヤレスIoT(Internet of Things)センサネットワークへのローカライゼーションは、スマートシティやスマート農業といった多様なアプリケーションの効率的な運用に不可欠である。
既存のセンサノードのローカライゼーションアプローチは、無線センサネットワーク(WSN)内のアンカーノードに大きく依存している。
アンカーノードはGPS受信機を備えたセンサノードであり、既知の位置を持っている。
これらのアンカーノードは、他のセンサノードをローカライズするための参照として動作する。
しかし、実際のIoTシナリオでは、アンカーノードの存在が必ずしも可能とは限らない。
さらに、受信信号強度指標(RSSI)のゆらぎにより、特に非線形(NLOS)条件下では、ローカライゼーション精度を損なうことができる。
これらの課題に対処するために、統一双方向長短期メモリ(BiLSTM)-グラフトランスフォーマーローカライゼーションフレームワークであるUBiGTLocを提案する。
提案するUBiGTLocフレームワークは,センサノードをアンカーフリーおよびアンカープレゼンスWSNの両方で効果的にローカライズする。
このフレームワークは BiLSTM ネットワークを利用して RSSI データの時間的変動を捉え、センサーノード間の空間関係をモデル化するために Graph Transformer 層を利用する。
大規模なシミュレーションにより、UBiGTLocは既存の手法を一貫して上回り、費用対効果のRSSIデータにのみ依存しながら、密度と疎度の両方のWSNをまたいでロバストなローカライゼーションを提供することを示した。
関連論文リスト
- WiFi-based Cross-Domain Gesture Recognition Using Attention Mechanism [61.79272554643873]
本稿では,マルチセマンティックアテンション機構と自己注意に基づくチャネル機構を融合したジェスチャー認識ネットワークを提案する。
その結果、99.72%のドメイン内精度を維持するだけでなく、97.61%のクロスドメイン認識でも高い性能を発揮することがわかった。
論文 参考訳（メタデータ） (2025-12-04T07:09:13Z) - TRICK: Time and Range Integrity ChecK using Low Earth Orbiting Satellite for Securing GNSS [0.7863638253070439]
グローバル・ナビゲーション・サテライト・システムズ(GNSS)は、位置情報、ナビゲーション、タイピング(PNT)情報を世界中の40億以上のデバイスに提供している。
広く使われているにもかかわらず、GNSSは攻撃に対して脆弱である。
セキュアな位置決めのためのプリミティブであるTRICKを提案する。
論文 参考訳（メタデータ） (2025-11-07T09:30:18Z) - Federated Latent Factor Learning for Recovering Wireless Sensor Networks Signal with Privacy-Preserving [8.06377330950344]
無線センサネットワーク(英: Wireless Sensor Networks、WSN)は、インテリジェントセンシング分野における最先端のドメインである。
センサの故障と省エネ戦略のため、収集されたデータには大量のデータがないことが多く、その後の分析や意思決定を妨げている。
本稿では,FLFL-SSRという,FLFLに基づく空間信号回復モデルを提案する。
1) センサレベルのフェデレーション学習フレームワークを設計し,各センサが生データではなく更新のみをアップロードしてグローバルモデルを最適化し,2) 局所的な空間共有戦略を提案する。
論文 参考訳（メタデータ） (2025-04-22T02:01:19Z) - Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies [7.512221808783587]
本稿では,大規模無線通信ネットワークにおけるパケットベースの情報ルーティングの課題に対処する。
機会的ルーティングは、無線通信の放送特性を利用して、最適な転送ノードを動的に選択する。
ネットワーク内のソースノードが処理する全情報の最大化を目的とした,状態拡張(SA)に基づく分散最適化手法を提案する。
論文 参考訳（メタデータ） (2025-03-05T18:44:56Z) - Small Graph Is All You Need: DeepStateGNN for Scalable Traffic Forecasting [6.714751340563299]
本稿では,トラフィックデータを解析するための新しいグラフニューラルネットワーク(GNN)モデルであるDeepStateGNNを提案する。
個々のトラフィックセンサを個々のグラフノードとして扱う一般的なGNNメソッドとは異なり、DeepStateGNNはセンサーを高レベルのグラフノードにクラスタする。
実験の結果、DeepStateGNNは優れたスケーラビリティと高速なトレーニングを提供すると同時に、競合他社よりも正確な結果を提供することがわかった。
論文 参考訳（メタデータ） (2025-02-20T13:00:31Z) - ELGC-Net: Efficient Local-Global Context Aggregation for Remote Sensing Change Detection [65.59969454655996]
本稿では,変化領域を正確に推定するために,リッチな文脈情報を利用する効率的な変化検出フレームワークELGC-Netを提案する。
提案するELGC-Netは、リモートセンシング変更検出ベンチマークにおいて、最先端の性能を新たに設定する。
また,ELGC-Net-LWも導入した。
論文 参考訳（メタデータ） (2024-03-26T17:46:25Z) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - A Grid-based Sensor Floor Platform for Robot Localization using Machine
Learning [0.0]
センサフロア(Sensor Floor)と呼ばれる新しいグリッドベースのWSNプラットフォームを用いて機械学習手法を検討する。
私たちのゴールは、すべてのロジスティックなエンティティをローカライズすることであり、この研究にはモバイルロボットを使用します。
正規化を伴うCNNモデルは15cmの局所化精度でランダムフォレストを上回っている。
論文 参考訳（メタデータ） (2022-12-09T08:29:50Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - Adjacent Context Coordination Network for Salient Object Detection in
Optical Remote Sensing Images [102.75699068451166]
本稿では,光RSI-SODのためのエンコーダ・デコーダアーキテクチャにおいて,隣接した特徴のコーディネートを探索するための新しいアジャセントコンテキストコーディネートネットワーク(ACCoNet)を提案する。
提案されたACCoNetは、9つの評価基準の下で22の最先端メソッドを上回り、1つのNVIDIA Titan X GPU上で81fpsで動作する。
論文 参考訳（メタデータ） (2022-03-25T14:14:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。